2016年，世界著名未来学家、《第三次浪潮》作者托夫勒离世。早在上个世纪80年代初，他就在书中预言，信息革命是继农业革命和工业革命后的“第三次浪潮”，而在当时，他就盛赞“大数据”为“第三次浪潮的华彩乐章”。

　　后来很多研究者把大数据概念的提出，归功于麦肯锡报告或是IBM公司，但实际上，托夫勒才是世界上说出“大数据”这个词汇的第一人。

　　现在，世界依然活在他的预言里，并且因为FinTech的流行而让大数据攀上了前所未有的科技高峰。

　　如今“黑科技”不断激发着金融发展的种种活力，对于永远是金融核心话题的风控而言，正是“人工智能+大数据”带来了金融风控革命，也因此成为众家FinTech公司的标配。

　　风控需求生变，“ABCD”现身

　　“与其说金融风控革命是金融科技直接改变了风控，不如说是改变了风控的需求，新的风控需求再倒逼金融科技提供对应的产品。”一位长期活跃于金融科技领域的资深机构投资人对《中国经济周刊》记者分析说。

　　“传统金融中，银行有不良率的指标考核，是不能忍受用高利差覆盖高风险的，所以次级一点的客户，即便愿意接受更高的利率，银行也无法放款。事实上，给‘好人’放款不需要什么风控技术，甚至今天弃之如敝屣的评分卡模型也显得过于高级，在不少地方，只要是公务员就能放贷款，这个时候不是没有相应的技术，而是市场对技术没有需求，我们过去的风控技术长期处于很原始滞后的状态。”上述投资人这样解释道。

　　事实上，传统金融机构的风控，尤其是信贷风控，受制于现有的模型，基本还都是需要抵押物来完成授信，因此风控变动成本较高，客户的增长遇到了瓶颈。而当以大数据为基础的金融科技公司开始崭露头角之后，金融服务行业便出现了新的变化。

　　“金融科技公司会在一个细分领域做到极致，例如Paydayloan这样的短期发薪日贷款，针对这个场景做风控模型，然后去不断优化用户体验，而非像传统银行那样基于抵押去做一个通用的产品。”京东金融副总裁曹鹏对于两者产品设计思路的差异也给出了自己的解释，传统银行用传统的模式做显得“得不偿失”，因为他们做一个风控模型的成本特别高，但一个细分领域下可能带来的收益却很难看到。

　　如何以低成本构建风控模型？这无疑给了“ABCD”四项技术（人工智能AI、区块链Blockchain、云技术Cloud和大数据Big Data）巨大的用武之地。

　　曹鹏向记者解释，传统金融机构的做法是模型的降维，在开始放贷时可能有100个参数，最后筛选出最相关的3个参数，如收入证明等来做一个模型。但金融科技的做法是会尽量采集更多的维度去描述一个人的行为，但是每个维度的相关性都没有那么高。

　　他向记者透露，京东第二版的白条也曾采用积分卡模型，但现在白条风控模型中的参数已经超过3万个，“哪些参数会参与，权重是多少，都要靠系统来跑，而且针对不同的客群选择的指标也不一样，例如一个新用户与一个老用户会选择不同的相关指标。”

　　京东金融CEO陈生强表示，风控并非孤立存在，它需要与需求、场景、体验、产品融为一体，既要保证风险的有效管理，又要保证用户无感知的极致体验。

　　“自学习”实现有效反欺诈

　　除了在消费金融这样新兴的FinTech金融产品中扮演主角外，人工智能+大数据的风控模式也让长期困扰传统金融行业的反欺诈难题得到了很大程度上的破解。

　　今年2月，在东莞凤岗警方成功破获的一起利用木马窃取个人信息进行盗刷的网络诈骗案件中，受害人刘某银行卡内的钱被嫌疑人利用第三方理财平台，通过京东支付完成交易。在京东金融风险监控体系和数据分析技术的配合之下，警方迅速理清了刘某资金的流向，并及时锁定了第一嫌疑人的去向，随后成功抓获另外三名同伙，该案件涉及广东、江苏、浙江、山东等十四个省份，涉案资金达数十万元。

　　这一案件的侦破过程中，就借用了京东金融的大数据分析、风险监控等技术能力。

　　征信企业上海斯睿德信息技术有限公司CEO赵杰告诉《中国经济周刊》记者，过去的风控痛点在于征信管理都是静态地截止到某个时点，是一个时点的静态画像，过一秒钟以后，这些数据全部失效，所以无法追溯到这个贷款人三个月或者一年中的行为变化踪迹，而在“人工智能+大数据”的模型下，风险管理变成了动态时间轴上多维度交叉影响的趋势。

　　“例如有一家上市银行查看一个贷款申请人的信息，这个申请人名下的公司在历史上有过几次变更，按照以前的技术来看，它的每一次变更，法人变更或者经营范围变更都是正常的，银行可以放款，但现在的技术可以看到这个法人代表名下其他公司在银行有坏账，公司之间还互相担保，整个担保圈的涉案金额达到2.4亿元，他通过法人变更来掩饰关联公司，又通过经营范围变更剔除了当时不允许贷款的钢贸业务。”赵杰认为，这个案例对比显示出FinTech对传统银行的风控贡献。

　　据记者了解，目前的人工智能+大数据技术已经可以帮助找出一家企业背后的实际控制人、关联公司和上下游供应商，为银行风控提供了多重维度，帮助识别过去隐蔽的行业交叉风险。

　　秦仓科技联合创始人兼CTP李炫熠则补充，虽然劣质客户欺诈方式一直在变，但信用良好的客户行为在一段时间内并不会发生剧烈变化，所以人工智能可以通过自学习来有效地识别欺诈。

　　所谓“自学习”，也就是深度的机器学习，和著名的阿尔法狗的算法如出一辙。据悉，目前在AI的技术框架下，上市公司的财务反欺诈模型也在设计中，未来可能为会计师事务所和律师事务所服务。

　　京东金融风险管理部总经理沈晓春向记者举例说，“每个人做一件事情都会有一些习惯，例如在‘6·18’时网购，你可能会先领取优惠券，查看其使用场景，再浏览相关产品，选择商品加入购物车，这可能是一个常规的行为模式。但如果在登录后直接看账户余额，查看绑定了几张手机卡，甚至修改绑定的手机号，我们可以通过这个‘轨迹’进行判定，这不是你本人在操作。”

　　沈晓春介绍，而在抓取到这种“异常”行为后，会再进行一些相应的处理和跟进，通常在几十微秒、几十毫秒的情况下做出决策，决定操作者能否继续顺利进行下面的操作。

　　为银行业提供“贷后预警”

　　“人工智能+大数据”带给传统银行业的突破还不仅于此，众所周知，传统银行业的信贷风控流程一直存在着重贷轻管的积弊，贷后管理是银行业的软肋所在，但恰恰贷后管理又是持续时间最长、内在不确定因素最多、最容易出问题的薄弱环节，作为风控最后一环的催收，一直缺乏配套的政策法规，游走在灰色地带。京东金融副总裁曹鹏告诉记者，从营销到用户运营，比如给用户推送最新的产品、做一个新的活动，到风控，再到风控过后的坏账催收，人工智能都在参与。

　　“一家银行的上海分行，5个人就要管理500家企业，银行重贷前、轻贷后的状况是因为无法投入更多人力去做这个事情，谁都知道贷后很重要，但是长期缺少管理工具，现在FinTech可以提供贷后预警的机制。”棱镜征信副总裁钱锋告诉记者。

　　“现在智能风控系统可以用于分析贷中贷后用户的贷款行为管理，这不只是在一个模型上判断风险，而是在每个环节上指导金融行为，在客户申请的时候会使用，放款的时候也会分析，根据贷中的环节用户申请的意愿，这期间做了什么行为，去判定骗贷的概率多大，同时贷后追踪发生逾期的可能性。”狐狸金服首席技术官周霖对《中国经济周刊》记者表示。

　　普华永道咨询部上海办公室合伙人陶欣曾在过去半年，与上海互联网金融协会携手，共建了一个关于大数据在风控领域应用的课题组，在他看来，不管是银行还是新金融，旧有风控体系中，传统催收中大量人力资源都浪费在已经违约而还款能力不强的人身上。（记者 劳佳迪 陈惟杉）